一种地下目标探测方法、系统及计算机存储介质转让专利
申请号 : CN202110914664.9
文献号 : CN113359101B
文献日 : 2021-11-05
发明人 : 雷文太 , 张硕 , 宋千 , 任强 , 罗佳斌 , 罗诗光 , 王义为 , 徐龙
申请人 : 中南大学
摘要 :
权利要求 :
1.一种地下目标探测方法,其特征在于,包括:获得由一维测线上每个扫描位置的A‑Scan散射回波组合形成的B‑Scan回波数据,所述A‑Scan散射回波为探地雷达在该扫描位置处向地下发射电磁波后接收到的地下区域的散射回波;
处理所述B‑Scan回波数据,将所述处理后的B‑Scan回波数据中在横向上每三个相邻所述扫描位置的A‑Scan回波数据划分形成一个数据样本,多个所述数据样本形成输入数据,并以所述B‑Scan回波数据中的用于表征与地下目标位置关系的特征数据形成输出数据;
基于所述输入数据及输出数据训练网络模型,形成散射曲线特征识别模型;
向所述散射曲线特征识别模型中输入待测B‑Scan回波数据,获得目标特征数据;
基于所述目标特征数据辅助计算所述地下目标的横向位置与顶部埋深估算值,包括基于所述目标特征数据确定每个所述数据样本中与所述地下目标的横向位置满足阈值要求的目标扫描点,所述目标扫描点表征其测线位置至少与所述地下目标的横向位置相似;基于步进距离以及所述数据样本的数量计算所述地下目标的横向位置;基于所述目标扫描点的回波数据中最大振幅所对应的采样时间及预置的时延‑深度映射关系确定所述地下目标的埋设深度。
2.根据权利要求1所述的方法,其特征在于,所述处理所述B‑Scan回波数据,包括:对所述B‑Scan回波数据形成的二维矩阵Bmn依次进行规范化处理、数据标准化处理;
对处理后的所述B‑Scan回波数据进行样本划分,以至少形成所述输入数据。
3.根据权利要求2所述的方法,其特征在于,对所述B‑Scan回波数据形成的二维矩阵依次进行规范化处理,包括:
所述B‑Scan回波数据为尺寸为M*N的二维矩阵,将所述B‑Scan回波数据规范化为尺寸为K*N的二维矩阵,当M≥K时,对每一道A‑Scan散射回波,截取时域采样区间为[M‑K+1,M]的回波数据,形成所述尺寸为K*N的二维矩阵;当M
4.根据权利要求1所述的方法,其特征在于,所述以所述B‑Scan回波数据中的用于表征与地下目标位置关系的特征数据形成输出数据,包括:基于所述B‑Scan回波数据确定对应的散射曲线;
基于所述散射曲线确定与所述地下目标的位置满足不同距离阈值的数据为所述输出数据,所述不同距离阈值包括与所述地下目标的位置间的距离范围依次增大的多个距离阈值。
5.根据权利要求1所述的方法,其特征在于,所述网络模型包括长短时记忆网络LSTM、卷积神经网络CNN和全连接神经网络。
6.根据权利要求5所述的方法,其特征在于,所述网络模型包括四层所述长短时记忆网络LSTM、由四层卷积层构成的所述卷积神经网络CNN以及一层所述全连接神经网络。
7.一种地下目标探测系统,其特征在于,包括:至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现如权利要求1‑6任一项所述的地下目标探测方法。
8.一种计算机存储介质,其特征在于,当存储介质中的指令由地下目标探测系统对应的处理器执行时,使得地下目标探测系统能够实现如权利要求1‑6任一项所述的地下目标探测方法。
说明书 :
一种地下目标探测方法、系统及计算机存储介质
技术领域
背景技术
下发射时域窄脉冲电磁波,电磁波向下传播时,遇到与背景媒质存在电磁参数差异的物体
时,部分能量被散射,并由接收天线接收。该单道回波信号称为A‑Scan,设其时间采样点为
M,则该A‑Scan为一个M*1的一维数组。当天线沿一维测线扫描时,设该一维测线上有N个扫
描位置,那么在每个扫描位置处都可以获得一道A‑Scan数据。当GPR沿该测线扫描完毕时,
可以获得M道A‑Scan数据。这些数据按列排列,就生成了一个B‑Scan,又称为B‑Scan记录剖
面或回波数据,是一个M*N的二维矩阵。通过对该B‑Scan回波数据进行分析处理,可以获得
地下介质和被测目标的介电特性、空间位置、结构尺寸等参数。在GPR数据处理过程中,大多
数情况下需要以“人在回路”的方式进行数据解译和分析,解译结果高度依赖于从业人员的
经验和先验信息。在某些应用场合,GPR数据的自动化处理和高精度参数估计,如地下目标
定位和深度估算,就显得尤为重要。
变换可以将全局曲线检测问题转化为Hough参数空间内的有效峰值检测问题。该方法的计
算,需要迭代多次,导致时间复杂度和空间复杂度非常高,运算量非常大。基于模板匹配和
边缘检测的曲线拟合方法,可以定位B‑Scan中的双曲线轮廓并寻找其顶点。近年来,机器学
习和人工智能技术的发展,推动了GPR数据处理向着自动化、智能化的方向发展。研究人员
采用卷积神经网络进行GPR B‑Scan记录剖面中双曲线特征的检测和框选,通过建模来拟合
双曲线并定位地下目标的顶点位置坐标,进而进行地下目标横向位置和埋设深度的估算。
上述方法,将整个B‑Scan数据作为输入,是对整幅图像进行处理,并没有考虑到B‑scan中各
道A‑Scan数据的内在特征和相邻道A‑Scan数据的峰值相互关系。现有技术在进行地下目标
位置和埋设深度估计时,具有数据处理负荷大、精度不足的缺陷。
发明内容
域的散射回波;
置关系的特征数据形成输出数据;
值。
置相似;
测方法。
书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
具体实施方式
下一扫描位置,重复上述过程。在每个扫描位置处,均能获得一道散射回波,称之为A‑Scan
散射回波。设A‑Scan散射回波的时间采样点数为M点,则该A‑Scan为一个M*1的一维数组。当
天线沿一维测线扫描时,设该一维测线上有N个扫描位置,那么在每个扫描位置处都可以获
得一道A‑Scan数据。当GPR沿该测线扫描完毕时,可以获得M道A‑Scan数据。这些数据按列排
列,就生成了一个B‑Scan,又称为B‑Scan记录剖面或回波数据,是一个M*N的二维矩阵,记为
二维矩阵Bmn。该记录剖面可以显示为一幅描述地下探测情况的图像。当获得了B‑Scan回波
数据后,需要对该B‑Scan回波数据进行处理,使该B‑Scan回波数据中相邻三个扫描位置的
A‑Scan散射回波数据形成输入数据,也即,相邻三道A‑Scan散射回波形成一组输入数据,回
波数据中包括至少一组输入数据。另外,至少以该B‑Scan回波数据中的用于表征与地下目
标位置关系的特征数据形成输出数据,例如每道A‑Scan散射回波所反映出的探测位置与实
际地下目标所在位置之间的关系,基于该关系形成输出数据。当确定了输入数据以及输出
数据后,利用输入数据及输出数据训练网络模型,生成散射曲线特征识别模型。基于该模
型,用户可以通过输入散射回波数据来确定出各散射回波与地下目标的位置关系,进而辅
助用户快速计算出地下目标的横向位置及顶部埋深估算值。如用户向散射曲线特征识别模
型中输入待测回波数据,获得表征探测位置与地下目标的位置关系的目标特征数据,然后
基于目标特征数据辅助计算地下目标的横向位置与顶部埋深估算值。
关系的特征数据作为输出数据,来对散射曲线特征识别网络模型进行训练,使在未来使用
未训练的数据样本输入至模型中时,该模型可以快速的进行地下目标检测,使系统可以根
据模型输出的特征数据进行地下目标的定位估算,提升了探测效率及精度,同时能够实现
自动化处理。而且,由于散射曲线特征识别网络模型自身具有机器学习属性,通过不断的训
练,其可以在输入数据不完整的情况下,依旧保持较高的数据检测正确率,进而确保系统最
终获得的目标横向位置和顶部埋深的估算精度。
矩阵。
K点,也即截取以第M‑K+1个时间采样点为起始,以第M个时间采样点为终点的回波数据;当M
sklearn)中的StandardScaler方法,以减少网络模型计算时的空间和时间复杂度,并弱化
数据和标签之间的映射差异。
据按列划分为S个数据样本。
阈值可以被认定为一类特征,如距离值范围最大的距离阈值,可以认为特征类型是“目标丢
失”,距离范围值相较稍小一些的距离阈值,可以认为特征类型是“目标远离”,之后的距离
阈值依次可以被认为特征类型是“目标接近”、“目标所在”。实际应用时,可以将上述四种特
征类型作为输出数据来对网络模型进行训练,使生成的模型的输出结果为上述四种特征类
型,例如可以以标签的形式输出对应的特征类型。
T,其中D为整数。
scan波形的幅值和,再对样本中三道A‑scan幅值和求总和E。
置阈值Q,通过Q与R的大小关系,以及该样本序号与Ep样本所在序号左右关系,来标定上下
沿特征点标签Label;设置阈值min(P,1), 根据R与min(P,1)的大小关系来标定顶峰特征点
标签Label。
存在误差,故可以根据B‑scan数据形成灰度图,由人工来判定上下沿特征点和顶峰特征点
标签Label。若样本数据为标准数据,也可以通过编程实现上述标签的自动判定。
理。为实现第二步骤,对于网络模型的架构设计是十分重要的。长短时记忆网络LSTM神经网
络可以处理时序数据,能有效的防止长时间训练时梯度爆炸和梯度消失问题。与传统的循
环神经网络RNN相比,其引入了门机制和存储单元,能够自动长期保存以往训练时重要的特
征数据,丢弃垃圾数据,因此适用于B‑Scan和A‑scan这两类存在内在时序特征的数据。进一
步地,卷积神经网络CNN是一种针对图像识别领域的网络,它包含输入层、卷积层、池化层、
输出层等。其中最主要的是卷积层,卷积层可以有效的减少网络模型的计算量,增强网络学
习的特征。CNN中卷积层适用于提取B‑scan图像中散射曲线特征点。基于LSTM和CNN形成的
散射曲线特征识别网络模型,有利于提取和学习输入数据中的高维空间和时序特征。
卷积神经网络CNN以及一层全连接神经网络。四层卷积层的卷积核大小分别为1×8、1×16、
1×32、1×128,每层的卷积核个数分别为8、16、32、128,步长为1。四层LSTM分别包含720、
512、256、64个LSTM网络单元。全连接神经网络结构中,输出层节点数为4,4表示检测散射曲
线特征点类别数目。当向网络模型中输入数据样本后,通过四层卷积CNN结构来提取输入样
本的空间维度特征,与此同时利用四层LSTM提取输入样本的时间维度特征,以充分利用A‑
scan和B‑scan中内在时序、空间特征。随后,将提取到的两类维度特征反馈到全连接神经网
络,输出分类结果。
描点即为目标扫描点。根据步进距离d,计算该地下目标的横向位置L。
算得到的目标横向位置和顶部埋深取均值,将该均值作为该地下目标的横向位置和顶部埋
深的估计值。
~
测线扫描后,获得B‑Scan回波记录剖面。该B‑Scan回波记录剖面为二维矩阵,尺寸为M*N,记
为Bmn。对该二维矩阵进行预处理,再进行数据规范化,处理结果记为Bkn。每道A‑scan时间采
样点数设为800,即M=800。数据标准化、样本划分三步骤完成后形成S个样本,样本序号s对
应的B‑Scan的列序号为[3*s‑2, 3*s‑1, 3*s]。B‑scan回波数据通过上述方式进行制作后
形成用于输入网络模型中的输入数据。接着进行标签制作,具体步骤可参考上文所述实施
例。
应标签对网络模型进行训练,生成散射曲线特征识别模型。剩余的600个实测样本用于测试
数据,以测试网络模型的处理效果。将输入样本输入到散射曲线特征识别网络模型中,输入
数据通过CNN结构的四层卷积层提取空间维度特征,经过四层LSTM结构提取时间维度特征,
最后经过一层全连接神经网络得到输出结果向量Y。通过解码,获得标签分类结果。在模型
的训练过程中,批量大小设置为128,学习率设置为0.001,方向传播算法采用了RMSROP算
法,损失函数采用交叉熵方法,使用dropout和recurrent_dropout提高模型泛化性,不依赖
于局部特征。经过200轮训练之后,模型训练完毕,保存好模型。
型和顺序,得到目标顶部埋深对应的时间采样点后,根据常规处理算法,计算目标顶部埋深
与横向位置。与真实的目标顶部埋深和横向位置进行对比,评估该网络的处理性能。
到模型的检测准确率达到93%,目标横向位置的估计误差小于0.05米,目标埋深的估计误差
小于0.08m,验证了本实施例的方法能够实现地下目标的高精度检测和定位。
多个模块,便于处理组件和其他组件之间的交互。例如,处理组件可以包括多媒体模块,以
方便多媒体组件和处理组件之间的交互。
片,视频等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如
静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存
储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或
光盘。
件。
面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触
摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动
作的边界,而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体
组件还可以包括一个前置摄像头和/或后置摄像头。
测系统的打开/关闭状态,组件的相对定位,例如组件为地下目标探测系统的显示器和小键
盘,传感器组件还可以检测地下目标探测系统或地下目标探测系统的一个组件的位置改
变,用户与地下目标探测系统接触的存在或不存在,地下目标探测系统方位或加速/减速和
地下目标探测系统的温度变化。传感器组件可以包括接近传感器,被配置用来在没有任何
的物理接触时检测附近物体的存在。传感器组件还可以包括光传感器,如CMOS或CCD图像传
感器,用于在成像应用中使用。在一些实施例中,该传感器组件还可以包括加速度传感器,
陀螺仪传感器,磁传感器,压力传感器或温度传感器,。
2G或3G,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播
管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件还包括近场通信
(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会
(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述车载
灯语编辑方法。
辑方法。
施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形
式。
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。
之内,则本发明也意图包含这些改动和变型在内。